基于稀疏多輸出回歸的交通事故建模與控制方法
【專利摘要】本發(fā)明公開一種基于稀疏多輸出回歸的交通事故建模與控制方法，可用來對選定的某個地區(qū)發(fā)生交通事故的情況建立模型。對某個地區(qū)建立多輸出回歸事故模型，可以自動檢測與事故無關的特征參數(shù)并區(qū)分各個參數(shù)的影響，將與交通相關的特征參數(shù)帶入模型，還可以預測該地區(qū)未來發(fā)生交通事故的情況。本發(fā)明利用交通事故的歷史和現(xiàn)狀數(shù)據(jù)，對交通事故的嚴重程度進行建模，能自動剔除與事故無關的特征參數(shù)，辨別影響道路交通安全的關鍵因素，有助于道路規(guī)劃時采取更有針對性的措施。本方法在預測交通事故、分析事故原因、指導道路建設改進具有實際的工程應用價值。
【專利說明】基于稀疏多輸出回歸的交通事故建模與控制方法
【技術領域】
[0001]本發(fā)明屬于交通智能管理和控制【技術領域】，運用提出的稀疏多輸出回歸模型，建立一種道路交通事故方法，并且可自動檢測影響道路交通安全的關鍵因素，在預測交通事故、分析事故原因、指導道路建設改進具有實際的工程應用價值。
【背景技術】
[0002]隨著我國道路交通事業(yè)的飛速發(fā)展，交通事故猛增已成為當今備受關注的嚴重社會問題之一。正因為交通事故造成的嚴重后果，我國對事故預防及對策傾注了大量人力、物力和財力，制定了較為完善的道路交通管理法律、法規(guī)和相關政策，但我國的道路交通事故所造成的損害后果卻依然嚴重，而且一直處于上升的趨勢，每年交通事故死亡人數(shù)居于世界首位。因此，為了保證經(jīng)濟發(fā)展和社會穩(wěn)定，保障人們出行安全和貨物運輸安全，對中國的交通安全形勢做出科學的預測，變得十分必要和迫在眉睫。
[0003]目前，國內(nèi)外有多種方法應用于事故建模。已有的研究建立了事故發(fā)生與交通流特性，道路環(huán)境條件，人口數(shù)量，機動車保有量等數(shù)據(jù)之間的關系，但大多數(shù)都是從宏觀的角度進行分析，得出的分析結果是一個區(qū)域的交通事故次數(shù)的預測，這對于預防和減少交通事故起不到太大作用。雖然也有部分研究從微觀的角度分析道路的因素對交通事故的影響，但是，忽略了影響交通事故的因素很多，而其中的一些因素是作為噪聲因素存在的，如果不剔除這些特征參數(shù)而進行交通事故建模，這可能會隱藏交通事故的真正特征與內(nèi)在規(guī)律。
[0004]交通事故是由眾多因素共同作用產(chǎn)生的復雜的系統(tǒng)，而且這些因素之間的關系很難用解析的方法進行描述，而基于稀疏多輸出回歸模型通過對歷史數(shù)據(jù)的學習，能夠以較高精度建立交通事故的模型。
[0005]為了建模的準確性，不遺漏重要信息，我們會考慮盡量多的因素，同時也必須剔除與事故無關的特征參數(shù)，因此，本發(fā)明引入了稀疏分析法，對原始數(shù)據(jù)進行稀疏分析，從而辨別影響道路交通安全的關鍵因素，從而有效地利用大量統(tǒng)計數(shù)據(jù)進行定量分析，揭示變量之間的內(nèi)在關系，而且可為道路建設的改進提供有針對性的指導。

【發(fā)明內(nèi)容】

[0006]本發(fā)明要解決的問題是克服現(xiàn)有技術的上述不足，提供一種操作簡單，準確性高，適用于道路安全檢查中交通事故建模的方法。
[0007]本發(fā)明的技術方案為:
[0008]A)獲取某地區(qū)的歷史交通事故數(shù)據(jù)樣本N組(X1, X2, , XJ ,每個X1(1=1，2，3，...，N)包括下述人口、車輛、道路和環(huán)境信息:總人口數(shù)X1,文化程度x2，收入水平x3，汽車駕駛員數(shù)量x4，大型機動車數(shù)量x5，小型機動車數(shù)量X6，非機動車數(shù)量X7,主要路段總長度X8，主要路段交通燈數(shù)量X9，平均天氣狀況x1(l。
[0009]B)獲取對應的交通事故結果樣本(Y1, Y2, , YJ，每個Y1 (1=1，2，3，...，N)包括事故發(fā)生次數(shù)Y1,死亡人數(shù)y2’受傷人數(shù)y3及直接經(jīng)濟損失y4。
[0010]C)交通事故數(shù)據(jù)預處理。將上述N組交通事故數(shù)據(jù)樣本(X1, X2, , XJ歸一化，并存放在矩陣X中。將上述N組對應的交通事故結果樣本(Y1, Y2,, YJ存放在矩陣Y中。
[0011]D)假定X1與Y1 (1=1，2，3，...，N)滿足關系Y1=X1W+ e，W為系數(shù)，e為高斯噪聲。設入為平衡參數(shù)，可取為0.01 < A ( 100，則W可通過求解如下的稀疏多輸出回歸模型得到
[0012]minJ(r) = X\\X}W — Y1 f + A |叫|21 = \XW — Y\f + A |叫|21
[0013]E)選取系數(shù)矩陣W，使得J (W)達到最小值，設D為單位矩陣。
[0014]F)將J(W)對W取導數(shù)，并令結果等于0，得到
[0015]Xt (Xff-Y) + A Dff=O
[0016]G)求解上式得到 W= (XTX+ A D) H
[0017]設D’為對角矩陣，對角元素為W對應行的L2范數(shù)的倒數(shù)。
[0018]H)判斷算法是否收斂，即I |D-D’ I I是否小于給定的數(shù)e (如e =0.001)，如果是，則輸出W，否則將D’復制到D中，轉到步驟F)。
[0019]I)根據(jù)W中全為零的行識別出對交通事故建模無關的因素，根據(jù)W中非零行的值的正負和大小區(qū)分不同因素對交通事故的影響。如汽車駕駛員數(shù)量X4的系數(shù)為負，則應該在以后的道路交通規(guī)劃中增加汽車駕駛員的數(shù)量以減少未來的交通事故。
[0020]J)根據(jù)以后采集的上述地區(qū)的交通事故特征參數(shù)X’ =(Xl，X2, , X10)，預測上述地區(qū)的事故發(fā)生次數(shù)、死亡人數(shù)、受傷人數(shù)及直接經(jīng)濟損失為WX’。
[0021]本發(fā)明的技術效果如下:
[0022]基于稀疏多輸出回歸模型。已有的一些研究方法直接利用原始數(shù)據(jù)作為輸入變量進行訓練，但這些原始數(shù)據(jù)存在兩方面的問題，一是數(shù)據(jù)量大，維數(shù)多，一是數(shù)據(jù)之間存在相關性，信息有冗余，這就會造成結果的精度不高以及訓練速度的降低。對原始數(shù)據(jù)進行稀疏分析，自動剔除與事故無關的特征參數(shù)，從而有效地利用大量統(tǒng)計數(shù)據(jù)進行定量分析，揭不變量之間的內(nèi)在關系。
[0023]從微觀的角度選取影響因素進行建模。傳統(tǒng)的交通事故預測方法都是利用一些宏觀的影響因素作為輸入變量進行分析，得到的是一個整體的交通事故的數(shù)據(jù)。本發(fā)明是將道路的微觀因素作為輸入數(shù)據(jù)，分析這些因素與交通事故的關系，從而得到這些因素對交通事故的各自的影響，這個結論可以應用到道路交通安全評價中，為道路及周邊環(huán)境的設計和整修提供依據(jù)。
【專利附圖】

【附圖說明】
[0024]圖1是本發(fā)明的基于稀疏多輸出回歸的交通事故模型流程框圖。
【具體實施方式】
[0025]在當今社會，道路交通安全受到人們的廣泛關注，道路安全評價的研究對于交通事故的減少有很大的作用。本發(fā)明從微觀的角度，應用基于稀疏多輸出回歸的建模方法對某一地區(qū)等多種變量和交通事故的關系進行了分析研究。[0026]下面詳細介紹本發(fā)明的工作流程:
[0027]一、數(shù)據(jù)的選取
[0028]道路交通是由人、車、路、環(huán)境等要素構成的動態(tài)系統(tǒng)。交通事故是道路交通系統(tǒng)中，由于人、車、路、環(huán)境諸要素的配合失調而偶然突發(fā)的事件。因此，在選取交通事故的影響因子時，要從以上方面進行分析。
[0029]1.人的因素:根據(jù)2002年的交通事故統(tǒng)計結果，由于人的原因造成的死亡人數(shù)占當年交通事故死亡總數(shù)的88.98%，其中機動車駕駛員為主要原因的占78.56%，非機動車駕駛人占4.20%，行人和乘車人占6.22%?？梢?，從總體上看，交通事故的關鍵在于機動車駕駛員。因此選取了某一地區(qū)周邊的總人口數(shù)及其的平均文化程度和收入，汽車駕駛員數(shù)量四個指標。
[0030]2.車的因素:造成交通事故的第二大要素是車輛。在道路上行駛的車輛，既有機動車，也有非機動車，其中機動車(尤其是大型機動車)是一種快速的交通工具，能量最大，防護性也最好。但這種防護性只保護駕駛員和車內(nèi)人員，因此，相對于自行車和其他非機動車，機動車是交通強者。但非機動車數(shù)量的增多也會對交通事故的多少產(chǎn)生影響，因此選取了大型機動車數(shù)量，小型機動車數(shù)量，非機動車數(shù)量三個指標。
[0031]3.路和環(huán)境因素:影響道路交通安全的環(huán)境因素可分為自然環(huán)境和人工環(huán)境，自然環(huán)境主要包括地理位置，氣象條件，時間等，人工環(huán)境包括土地使用狀況、路側干擾、道路障礙物等。本發(fā)明選取了上述地區(qū)的主要路段總長度、主要路段交通燈數(shù)量及平均天氣狀況這三個指標作為影響因子。
[0032]二、建立道路事故風險模型:
[0033]A)獲取某地區(qū)的歷史交通事故數(shù)據(jù)樣本N組(X1, X2,..., XN) ,每個XI(I=1，2，3，...，N)包括人口、車輛、道路和環(huán)境信息:總人口數(shù)X1，文化程度X2，收入水平x3，汽車駕駛員數(shù)量x4，大型機動車數(shù)量x5，小型機動車數(shù)量x6，非機動車數(shù)量x7，主要路段總長度x8，主要路段交通燈數(shù)量x9，平均天氣狀況Xl。。
[0034]B)獲取對應的交通事故結果樣本(Y1, Y2, , YN)，每個YI (I=1，2，3，...，N)包括事故發(fā)生次數(shù)Y1,死亡人數(shù)y2，受傷人數(shù)y3及直接經(jīng)濟損失y4。
[0035]C)交通事故數(shù)據(jù)預處理。將上述N組交通事故數(shù)據(jù)樣本(X1, X2, , XN)歸一化，并存放在矩陣X中。將上述N組對應的交通事故結果樣本(Y1, Y2,, YN)存放在矩陣Y中。
[0036]D)假定X1與Y1 (1=1，2，3，…，N)滿足關系Y1=X1W+ e，W為系數(shù)，e為高斯噪聲。設入為平衡參數(shù)，可取為0.01≤λ ≤100，則W可通過求解如下的稀疏多輸出回歸模型得到
[0037]
【權利要求】
1.基于稀疏多輸出回歸的交通事故建模與控制方法，其特征在于，具體步驟為: A)獲取某地區(qū)的歷史交通事故數(shù)據(jù)樣本N組(X1,X2,, XJ，每個X1G=I, 2，3，...，N)包括下述人口、車輛、道路和環(huán)境信息:總人口數(shù)X1，文化程度X2，收入水平X3，汽車駕駛員數(shù)量x4，大型機動車數(shù)量x5，小型機動車數(shù)量X6，非機動車數(shù)量X7,主要路段總長度X8，主要路段交通燈數(shù)量x9，平均天氣狀況Xltl ; B)獲取對應的交通事故結果樣本(Y1,Y2,, YJ，每個Y1 (1=1，2，3，…，N)包括事故發(fā)生次數(shù)Y1，死亡人數(shù)y2，受傷人數(shù)y3及直接經(jīng)濟損失y4 ； C)交通事故數(shù)據(jù)預處理；將上述N組交通事故數(shù)據(jù)樣本(X1,X2,, XJ歸一化，并存放在矩陣X中。將上述N組對應的交通事故結果樣本(Y1, Y2,, YJ存放在矩陣Y中； D)假定X1與Y1(1=1，2，3，…，N)滿足關系Y1=X1W+ e，W為系數(shù)，e為高斯噪聲。設入為平衡參數(shù)，可取為0.01 < A < 100，則W可通過求解如下的稀疏多輸出回歸模型得到
2.根據(jù)權利要求1所述的基于稀疏多輸出回歸的交通事故建模與控制方法，其特征在于，所述步驟D)中，所述平衡參數(shù)X:0.01≤X≤100。
3.根據(jù)權利要求1所述的基于稀疏多輸出回歸的交通事故建模與控制方法，其特征在于，所述步驟H)中，給定的數(shù)e:0.0Ol≤ e ≤0.1。
4.根據(jù)權利要求1所述的基于稀疏多輸出回歸的交通事故建模與控制方法，其特征在于，所述步驟I)中，根據(jù)建模結果對事故進行控制的方法為:若W中非零行的值為正，則該對應因素對事故預測有負面影響，應在道路規(guī)劃時考慮減小該因素；若W中非零行的值為負，則該對應因素對事故預測有正面影響，應在道路規(guī)劃時考慮增加該因素；如汽車駕駛員數(shù)量X4的系數(shù)為負，則應該在以后的道路交通規(guī)劃中增加汽車駕駛員的數(shù)量以減少未來的交通事故。
【文檔編號】G08G1/00GK103646533SQ201310596073
【公開日】2014年3月19日 申請日期:2013年11月22日 優(yōu)先權日:2013年11月22日
【發(fā)明者】陳小波, 梁軍, 江浩斌, 陳龍, 張飛云, 肖艷 申請人:江蘇大學